본 논문은 그래프 신경망(GNNs)의 구조적 상호작용 포착 능력의 한계를 다룹니다. 순열 불변 그래프 분할이 구조적 상호작용 탐색에 효과적인 방법임을 밝히고, 이를 기반으로 GNN의 표현력을 향상시키는 새로운 아키텍처인 그래프 분할 신경망(GPNNs)을 제안합니다. 순열 불변 그래프 분할과 그래프 동형사상 간의 이론적 연결성을 확립하고, 분할 방식과 구조적 상호작용이 GNN의 표현력에 미치는 영향과 복잡성 간의 상충관계를 분석합니다. 다양한 그래프 벤치마크 작업에서 GPNNs가 기존 GNN 모델보다 구조적 상호작용 포착에 우수함을 실험적으로 보여줍니다.
